Method Article

Microestado e análises de complexidade Omega de eletroencefalografia a estado descansando

DOI:

10.3791/56452

⸱

June 15th, 2018

 ,  , 
1Department of Pain Medicine, Peking University People's Hospital, 2Key Laboratory of Child Development and Learning Science of Ministry of Education, Research Center for Learning Science, School of Biological Sciences & Medical Engineering, Southeast University

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este artigo descreve a análise de microestado protocolo subjacente de eletroencefalografia (EEG) e análise de complexidade de omega, que são duas medidas de EEG livre de referência e altamente valioso para explorar os mecanismos neurais de distúrbios cerebrais.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Complexidade de microestado e omega são duas medidas de referência livre Eletroencefalografia (EEG) que podem representar as complexidades temporais e espaciais de dados de EEG e têm sido amplamente utilizadas para investigar os mecanismos neurais em alguns distúrbios cerebrais. O objetivo deste artigo é descrever o protocolo subjacente EEG microestado e omega complexidade análises passo a passo. A principal vantagem destas duas medidas é que eles poderiam eliminar o problema de referência dependente inerente à análise de espectro tradicional. Além disso, análise de microestado faz bom uso do tempo de resolução de EEG descansando-estado, e as quatro classes de microestado obtidos poderiam combinar com as redes de descanso-estado correspondentes, respectivamente. A complexidade de ômega caracteriza a complexidade espacial do cérebro inteiro ou regiões específicas do cérebro, que tem a óbvia vantagem em comparação com as medidas de complexidade tradicional enfocando a complexidade de sinal em um único canal. Estas duas medidas de EEG podem se complementam para investigar a complexidade do cérebro do domínio espacial e temporal, respectivamente.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Eletroencefalografia (EEG) tem sido amplamente utilizada para gravar a atividade elétrica do cérebro humano, tanto no diagnóstico clínico e de investigação científica, desde que é não-invasivo, de baixo-custo alocado e tem altíssima resolução temporal de1. A fim de estudar os sinais de EEG em estado de repouso, os investigadores desenvolveram muitos EEG técnicas (por exemplo, análise de espectro de energia, análise de conectividade funcional)2,3. Destes, análise de microestado e análise de complexidade de ômega poderiam fazer bom uso da informação espacial e temporal inerente de sinais EEG4.

Pesquisas anteriores mostraram que, embora a distribuição topográfica de sinais EEG varia ao longo do tempo no olho fechado ou olho-aberto para o estado de repouso, a série de mapas momentâneas mostra mudanças descontínuas de paisagens, ou seja, períodos de estabilidade alternados com períodos de transição curta entre certos de topografias de EEG quase estável5. Microestados são definidos como estes episódios com topografias de EEG quase estáveis, que duram entre 80 e 120 ms1. Desde paisagens de potenciais elétricas diferentes foram geradas por diferentes fontes neurais, estes micro-Estados podem qualificar-se como os blocos básicos de atividade mental e podem ser considerados como "átomos de pensamento e emoção"6. Usando algoritmos de classificação padrão moderno, quatro classes de microestado do EEG de repouso têm sido consistentemente observados, que foram rotulados como classe A, classe B, classe C e classe D7. Além disso, pesquisadores revelou que estas quatro classes de microestado de dados de EEG de repouso estava intimamente associado com conhecidos sistemas funcionais observados em muitos estado descansando RM (ressonância magnética funcional) estudos8,9 . Assim, a análise de microestado forneceu uma nova abordagem para o estudo das redes de estado repouso (RSNs) do cérebro humano. Além disso, a duração média e a frequência de ocorrência de cada classe de microestado, a forma topográfica dos quatro mapas microestado são significativamente influenciados por algum cérebro desordens4,10,11, e estão associadas a inteligência fluida personalidade de12 e13.

No outro aspecto, conectividade funcional tradicional de multi-canal EEG só poderia descrever as conexões funcionais entre dois eletrodos no couro cabeludo, assim, não conseguiram avaliar a conectividade funcional global através do couro cabeludo, ou dentro de uma determinada região do cérebro. A complexidade de ômega, proposto pela Wackermann (1996)14 e calculados através de uma abordagem que combina a análise de componentes principais (PCA) e entropia de Shannon, tem sido utilizada para quantificar a sincronização global de banda larga entre espacialmente distribuído a regiões do cérebro. Para avaliar a complexidade de ômega de cada banda de frequência, transformada de Fourier foi comumente realizada como uma etapa inicial de25.

Os microestados e complexidade ômega podem ser usados para refletir a dois conceitos intimamente ligados, ou seja, a complexidade temporal e complexidade espacial4. Desde as classes de microestado representam certas operações mentais no cérebro humano, eles podem refletir a estrutura temporal das oscilações neuronais. Menor duração e maior taxa de ocorrência por segundo devem indicar maior complexidade temporal. A complexidade de ômega está positivamente relacionada com o número de fontes independentes de neurais no cérebro, assim são comumente considerado como um indicador de complexidade espacial4.

O atual artigo descreve o protocolo de análise de microestado de EEG e análise de complexidade de ômega em detalhe. As análises de complexidade de microestado e omega de EEG oferecem a oportunidade de medir a complexidade espacial e temporal da atividade cerebral, respectivamente.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este protocolo foi aprovado pelo Comitê de ético local. Todos os participantes e seus pais assinaram um formulário de consentimento informado para este experimento.

1. temas

  1. Incluir apenas 15 masculinos adolescentes sujeitos saudáveis, cuja idade varia de 14 a 22 anos (± desvio padrão de dizer: 18,3 ± 2,8 anos).
    Nota: O atual protocolo para analisar a complexidade de microestado e omega foi desenvolvido para indivíduos saudáveis, mas não está restrito apenas este grupo.

2. gravação de dados de EEG

  1. Pergunte assuntos para sentar em uma cadeira confortável em um quarto silencioso, com temperatura controlada, onde os dados do EEG foi gravados. Colete os dados de EEG de 20 canais usando o sistema de EEG de formiga no presente protocolo.
  2. Coloque a tampa na cabeça dos assuntos.
    1. Neste estudo, use um boné com tamanho médio, já que era apropriado para assuntos mais adolescentes ou masculinos. Para as crianças, por favor medir a circunferência da cabeça de cada assunto e determinar a tampa com tamanho adequado.
    2. Coloque o eléctrodo Cz em aproximadamente 50% da distância entre Ínion e nasion e 50% da distância entre os recuos à esquerda e direita inter aurais. Coloca os eletrodos de referência sobre o osso mastoide esquerdo e direito, respectivamente. Coloque os outros eletrodos no couro cabeludo nos locais padrão, de acordo com o international sistema 10-20.
      Nota: Um sistema de eletrodo e EEG amplificador com 20 canais é suficiente para análise de microestado de EEG e análise de complexidade de ômega.
  3. Preencha todos os eletrodos com gel condutor, através da inserção de uma agulha através dos eléctrodos. Use o gel condutor para reduzir a impedância. Mantenha todas as impedâncias de eletrodo inferior a 10 kiloohms (kΩ).
    1. Durante este período, fornecer algum entretenimento para os indivíduos (por exemplo, mostrar um curta-metragem). Se for utilizado um eletrodo seco ou um eletrodo de salino, ignore a etapa de injeção de gel condutor.
  4. Instrua os sujeitos para relaxar com os olhos fechados durante a gravação, que dura 5 min. Use o software de digitalização para digitalizar e gravar o EEG do sinal. Use uma taxa de amostragem pelo menos 250 amostras/s. Use um filtro de linha mais amplo do que 0.1 e 80 Hz.
    Nota: Embora mais comerciais disponíveis eletrodo-amplificador sistemas usam um sistema de eletrodo ativo, o que poderia melhorar a relação sinal / ruído do sinal de EEG, não coloque este sistema perto quaisquer dispositivos elétricos durante a gravação de EEG.

3. EEG dados pré-processamento

Nota: Dados de EEG podem ser pré-processados usando vários código aberto ou software comercial. As instruções abaixo são específicas para EEGLAB. Este é apenas um sem muitas opções disponíveis para pré-processar os dados de EEG.

  1. Importar os dados brutos do EEG para o software de EEG (por exemplo, EEGLAB) (arquivo | Importar dados | Usando funções EEGLAB e plugins).
    Nota: Os dados brutos do EEG gravados a partir de vários sistemas de eletrodo-amplificador podem ser reconhecidos pelo EEGLAB, tais como EGI, formiga, gravador de visão do cérebro e Neuroscan.
  2. Carregar o arquivo de localização do canal para o software de EEG (editar | Locais de canal). Embora os dados de EEG e os nomes de canal foram importados para EEGLAB, importe um arquivo de localização de canal no software do EEG para obter a localização espacial desses eletrodos.
  3. Remova os eletrodos de referência (editar | Selecione dados | Selecionar dados no intervalo de canal). Na opção de "Dados Select na gama de canais" da caixa de diálogo pop-up, selecione apenas os eletrodos de gravação e não selecionar os eletrodos de referência para que os eletrodos de referência podem ser removidos. Os dados registrados em eletrodos de referência não são sinal de cérebro 'verdadeiro', uma vez que estes dois eletrodos são colocados no osso mastoide esquerdo e direito, respectivamente.
  4. Band pass filtro o EEG dados entre 0,5 e 80 Hz (ferramentas | Filtrar os dados | Filtro FIR básico [novo, padrão]). Na caixa de diálogo pop-up, escolha 5 para "borda inferior da faixa de passagem de frequência (Hz)" e escolha 80 para "a borda superior da banda de passagem de frequências (Hz)". Clique no botão de "Okey".
  5. Remover o ruído da linha de alimentação com um filtro de entalhe entre 49 e 51 Hz (ferramentas | Filtrar os dados | Filtro FIR básico [novo, padrão]). Na caixa de diálogo pop-up, escolha de 49 para "borda inferior da faixa de passagem de frequência (Hz)", escolha de 51 para "a borda superior da banda de passagem de frequências (Hz)" e selecione a opção de "Entalhe filtrar os dados em vez de banda de passagem". Clique no botão de "Okey".
  6. Corrigi as porções de dados contaminadas por movimentos oculares, eletromiografia (EMG) ou quaisquer outros artefatos não-fisiológicas, usando o algoritmo de separação de fonte cega (BSS)15. Para movimentos oculares, clique em ferramentas | Remoção de artefato usando AAR 1.3 | Remoção de EOG | Usando BSS; para EMG, ferramentas | Remoção de artefato usando AAR 1.3 | Remoção de EMG usando BSS.
  7. Segmentar os dados de EEG contínuos previamente processados em épocas, com comprimento de época de 2 s. Para fazer isso, escrever 'EEG = eeg_regepochs (EEG, 'reincidência', 2, 'limites', [0 2], 'rmbase', NaN); pop_saveset(EEG)', em seguida, bateu a tecla Enter do teclado. Uma janela aparecerá que permite a gravação dos dados EEG segmentados.
  8. Importe os dados de EEG segmentados para o software de EEG (arquivo | Carrega o dataset existente).
  9. Rejeitar a épocas de EEG com valores de amplitude superior a ± 80 µV em qualquer eletrodo (ferramentas | Rejeitar a épocas de dados | Rejeite dados [todos os métodos]).
  10. Salvar os dados de EEG pré-processado (arquivo | Salve o atual dataset como).

4. EEG microestado análise

Nota: Uma versão modificada do algoritmo de clustering K-means clássica é usada para microestado classe análise16, que contém um procedimento de baixo para cima e um procedimento de cima para baixo. O procedimento de baixo para cima, as classes de nível de grupo microestado são identificadas usando a correlação espacial como um critério de agrupamento. Em seguida o procedimento de cima para baixo, cada mapa topográfico de cada sujeito em cada grupo é atribuído à classe de microestado EEG com máxima correlação espacial. Para análise de microestado do estado descansando EEG, comumente é desconsiderada, a polaridade de mapas topográficos. Análise de classe de microestado EEG pode ser feito usando vários softwares de código aberto, tais como CARTOOL, sLORETA, EMMA e MapWin. As instruções abaixo são específicas para o plugin EEGLAB para microestados. Este plugin EEGLAB pode ser baixado de https://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins.

  1. Para cada disciplina, carregar os dados de EEG pré-processado (arquivo | Canais de referência carga existente dataset), converter a referência média comum (ferramentas | Re-referência) e passa-banda filtrar os dados do EEG entre 2 e 20 Hz (ferramentas | Filtrar os dados | Filtro FIR básico [novo, padrão]).
  2. Identificar os quatro mapas de microestado em cada assunto (ferramentas | Microestados | Identifica mapas de microestado). Na caixa de diálogo pop-up, escolha 3 para "Min número de classes", escolher 6 para o "número máximo de classes", escolher 50 para o "número de reinícios", escolha "Número máximo de mapas para usar" e selecione as opções de "Pico GFP só" e "Sem polaridade". Clique no botão de "Okey".
  3. Salvar os dados do EEG de cada assunto após identificar seu próprio microestado mapas (arquivo | Salve o atual dataset como).
  4. Importar os conjuntos de dados de EEG de todos os assuntos que salvou na última etapa de uma vez (arquivo | Carrega o dataset existente).
  5. Identificar os nível de grupo microestado mapas (ferramentas | Microestados | Microestado médio mapas através de conjuntos de dados). Na caixa de diálogo pop-up, selecione os conjuntos de dados de todas as disciplinas na opção "Choose define para calcular a média". Na opção "Nome do meio", dê um nome para os mapas de nível de grupo microestado. O nome padrão é "GrandMean". Clique no botão de "Okey". Isto irá criar um novo conjunto de dados nomeado como "GrandMean", que armazena os mapas de nível de grupo microestado.
  6. Classificar manualmente a ordem dos quatro mapas de microestado de nível de grupo de acordo com sua ordem clássica (plotagem | Edite mapas de microestado). O pop-up, selecione "Mais", e então torna-se o número de mapas mostrados quatro. Selecione o "Tipo de homem". Na caixa de diálogo pop-up, digite a nova ordem de quatro mapas de microestado de nível de grupo. Clique em "Fechar".
  7. Classificar a ordem dos quatro mapas microestado de cada sujeito (ferramentas | Microestados | Classificação de mapas de microestado individuais de acordo com a média).
  8. Salvar os parâmetros de microestado de cada sujeito (ferramentas | Microestados | Quantificar microestados no dataset [modelo médio mapas]), que irá chamar duas caixas de diálogo pop-up sequencialmente.
    1. Na primeira caixa de diálogo, selecione os conjuntos de dados de todas as disciplinas. Na segunda caixa de diálogo, selecione "4 Classes" para a opção "Número de Classes", selecione as opções de "Encaixe somente nos picos GFP" e "Remover potencialmente truncado microestados", escolher 30 para o rótulo"suavização de janela (ms)" e escolher 1 para a lisura de Non" pena". Clique em "Okey". Um arquivo csv que armazena os parâmetros de microestado será salvo no computador.

5. análise de complexidade de omega

  1. Salvar os dados do EEG de cada época e cada assunto em ASCII ou formato de txt usando personalizado o script. Um exemplo de script personalizado para etapa 5.1 podia ser encontrado em materiais suplementares.
    Nota: Se a complexidade de ômega global é calculada, os EEG de todos os eléctrodos do couro cabeludo são necessários dados para exportar no formato ASCII ou txt. Se a complexidade regional ômega é calculada, exporte somente os dados do EEG de eletrodos na região do couro cabeludo. Por exemplo, para calcular a complexidade de ômega anterior, exportar somente os dados do EEG de eletrodos na região anterior (ou seja, Fp1, Fp2, F7, F3, Fz, F4 e F8); a fim de calcular a complexidade de ômega posterior, exporte somente os dados do EEG de eletrodos na região posterior (ou seja, T5, T6, P3, P4, Pz, O1 e O2).
  2. Calcular a complexidade de ômega de todas as frequências discretas usando o software de sLORETA17 (utilitários | Conectividade global). Este software está disponível em http://www.uzh.ch/keyinst/loreta.htm.
  3. Calcule a complexidade de ômega de cada banda de frequência usando o script personalizado26. No nosso caso, calcular a complexidade de ômega de bandas de frequências de oito seguintes como o valor médio dentro de cada limite de frequência, que são delta (0,5-3,5 Hz), theta (4-7.5 Hz), alfa1 (8-10 Hz), alpha2 (10.5-13,5 Hz), beta1 (14-18 Hz), beta2 (18,5-30 Hz), (gamma1 30.5-48 Hz) e gamma2 (52-80 Hz)4. Um exemplo de script personalizado para etapa 5.3 podia ser encontrado em materiais suplementares.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Microestado de EEG

Grand dizer microestado normalizado mapas são exibidos na Figura 1. As paisagens de potenciais elétricas dessas quatro classes de microestado identificado aqui são muito semelhantes aos encontrados em anteriores estudos4.

A média e o desvio padrão (SD) de parâmetros de microestado dos indivíduos saud...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Neste artigo, dois tipos de métodos analíticos de EEG (i.e., análise de microestado e análise de complexidade de ômega), medir a complexidade temporal e espacial complexidade do cérebro humano, respectivamente, foram descritos em detalhe. Existem várias etapas críticas dentro do protocolo que deve ser mencionado. Em primeiro lugar, os dados do EEG devem ser limpos antes do cálculo da complexidade microestado e omega. Em segundo lugar, os dados de EEG devem ser remontaged contra a referência média antes do cálculo da comp...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Os autores não têm nada para divulgar.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este artigo foi apoiado pela Fundação Nacional de ciências naturais da China (31671141).

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Sistema EEG/ERP ANT de 20 canaisASA-Lab, ANT B.V., HolandaEndereço da empresa web:
http://www.ant-neuro.com/
EEGLAB plugin for MicrostatesThomas Koenighttps://sccn.ucsd.edu/wiki/EEGLAB_Extensions_and_plug-ins
sLORETARoberto D. Pascual-Marquihttp://www.uzh.ch/keyinst/loreta.htm
MATLAB 2010aO MathWorks Inc.Endereço da empresa:
http://www.mathworks.com/
eeglabCentro Swartz de Neurociência Computacional, Universidade da Califórnia, San Diegohttps://sccn.ucsd.edu/eeglab/index.php

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Khanna, A., et al. Microstates in resting-state EEG: current status and future directions. Neurosci Biobehav Rev. 49, 105-113 (2015).
  2. Chen, J. L., Ros, T., Gruzelier, J. H. Dynamic changes of ICA-derived EEG functional connectivity in the resting state. Hum Brain Mapp. 34 (4), 852-868 (2013).
  3. Imperatori, C., et al. Aberrant EEG functional connectivity and EEG power spectra in resting state post-traumatic stress disorder: a sLORETA study. Biol Psychol. 102, 10-17 (2014).
  4. Gao, F., et al. Altered Resting-State EEG Microstate Parameters and Enhanced Spatial Complexity in Male Adolescent Patients with Mild Spastic Diplegia. Brain Topogr. 30 (2), 233-244 (2017).
  5. Seitzman, B. A., et al. Cognitive manipulation of brain electric microstates. Neuroimage. 146, 533-543 (2017).
  6. Lehmann, D., Michel, C. M. EEG-defined functional microstates as basic building blocks of mental processes. Clin Neurophysiol. 122 (6), 1073-1074 (2011).
  7. Koenig, T., et al. Millisecond by millisecond, year by year: normative EEG microstates and developmental stages. Neuroimage. 16 (1), 41-48 (2002).
  8. Britz, J., Van De Ville, D., Michel, C. M. BOLD correlates of EEG topography reveal rapid resting-state network dynamics. Neuroimage. 52 (4), 1162-1170 (2010).
  9. Musso, F., et al. Spontaneous brain activity and EEG microstates. A novel EEG/fMRI analysis approach to explore resting-state networks. Neuroimage. 52 (4), 1149-1161 (2010).
  10. Strelets, V., et al. Chronic schizophrenics with positive symptomatology have shortened EEG microstate durations. Clin Neurophysiol. 114 (11), 2043-2051 (2003).
  11. Kikuchi, M., et al. EEG microstate analysis in drug-naive patients with panic disorder. PLoS One. 6 (7), e22912(2011).
  12. Santarnecchi, E., et al. EEG Microstate Correlates of Fluid Intelligence and Response to Cognitive Training. Brain Topogr. , (2017).
  13. Schlegel, F., et al. EEG microstates during resting represent personality differences. Brain Topogr. 25 (1), 20-26 (2012).
  14. Wackermann, J. Beyond mapping: estimating complexity of multichannel EEG recordings. Acta Neurobiol Exp (Wars). 56 (1), 197-208 (1996).
  15. Jung, T. P., et al. Removing electroencephalographic artifacts by blind source separation. Psychophysiology. 37 (2), 163-178 (2000).
  16. Pascual-Marqui, R. D., Michel, C. M., Lehmann, D. Segmentation of brain electrical activity into microstates: model estimation and validation. IEEE Trans Biomed Eng. 42 (7), 658-665 (1995).
  17. Pascual-Marqui, R. D. Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods Find Exp Clin Pharmacol. 24, Suppl D. 5-12 (2002).
  18. Hu, L., et al. The primary somatosensory cortex contributes to the latest part of the cortical response elicited by nociceptive somatosensory stimuli in humans. Neuroimage. 84, 383-393 (2014).
  19. Murray, M. M., Brunet, D., Michel, C. M. Topographic ERP analyses: a step-by-step tutorial review. Brain Topogr. 20 (4), 249-264 (2008).
  20. Van de Ville, D., Britz, J., Michel, C. M. EEG microstate sequences in healthy humans at rest reveal scale-free dynamics. Proc Natl Acad Sci U S A. 107 (42), 18179-18184 (2010).
  21. Gonuguntla, V., Mallipeddi, R., Veluvolu, K. C. Identification of emotion associated brain functional network with phase locking value. Conf Proc IEEE Eng Med Biol Soc. 2016, 4515-4518 (2016).
  22. Wen, D., et al. Resting-state EEG coupling analysis of amnestic mild cognitive impairment with type 2 diabetes mellitus by using permutation conditional mutual information. Clin Neurophysiol. 127 (1), 335-348 (2016).
  23. Rosales, F., et al. An efficient implementation of the synchronization likelihood algorithm for functional connectivity. Neuroinformatics. 13 (2), 245-258 (2015).
  24. Jia, H., Peng, W., Hu, L. A novel approach to identify time-frequency oscillatory features in electrocortical signals. J Neurosci Methods. 253, 18-27 (2015).
  25. Wackermann, J. Global characterization of brain electrical activity by means of the Ω complexity production rate. Brain Topogr. 18, 135(2005).
  26. Wackermann, J., Putz, P., Gaßler, M. Unfolding EEG spatial complexity as a function of frequency. Brain Topogr. 16 (2), 124(2003).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

EEG Microstate AnalysisOmega ComplexityResting state EEGEEG PreprocessingBandpass FilteringArtifact RemovalMicrostate MappingGroup Level AnalysisEEG Lab SoftwareReference free EEG

Related Articles